Bazaj Konceptoj de Hazardaj Variabloj
En statistiko kaj probablokalkulo, hazardaj variabloj estas unu el la plej fundamentaj konceptoj, kiuj transpontas la interspacon inter hazardaj eventoj kaj mezurebla matematika analizo. Per hazardaj variabloj, ni povas "traduki" la rezultojn de hazarda eksperimento — kiu komence konsistas el eventoj aŭ kategorioj — en nombrojn, kiujn oni povas prilabori: kalkulante iliajn probablojn, resumante ilin per averaĝoj, mezurante ilian disperson, kaj eĉ modeligante ilin uzante specifajn distribuojn. Ĉi tiu artikolo diskutas la bazajn konceptojn de hazardaj variabloj, iliajn tipojn, kaj ŝlosilajn konceptojn kiel la probablofunkcio, akumula distribufunkcio, atendata valoro, kaj varianco.
1. Kio estas hazarda variablo?
Simple dirite, hazarda variablo estas funkcio kiu mapas ĉiun rezulton de provaĵa spaco al reala nombro. La provaĵa spaco estas la kolekto de ĉiuj eblaj rezultoj de hazarda eksperimento.
Ekzemple, supozu, ke ni ĵetas sesflankan ĵetkubon. La prova spaco estas {1, 2, 3, 4, 5, 6}. Ni povas difini la hazardan variablon \(X\) kiel "la nombron, kiu aperas sur la ĵetkubo". Tiam \(X\) povas havi valorojn de 1 ĝis 6, kun egala probableco se la ĵetkubo estas justa.
Alia ekzemplo: ni ĵetas du monerojn. La provaĵa spaco estas {HH, HT, TH, TT}. Se ni difinas la hazardan variablon \(Y\) kiel "la nombron da kapoj (H) kiuj aperas", tiam:
– HH → \(Y = 2\)
– HT → \(Y = 1\)
– TH → \(Y = 1\)
– TT → \(Y = 0\)
Ĉi tie ni vidas, ke hazardaj variabloj ne devas "reflekti" la originalan rezulton rekte; ili estas maniero asigni nombrajn valorojn al hazardaj rezultoj laŭ la bezonoj de la analizo.
2. Tipoj de hazardaj variabloj: diskretaj kaj kontinuaj
Ĝenerale, hazardaj variabloj estas dividitaj en du ĉefajn tipojn:
a) Diskretaj hazardaj variabloj
Diskreta hazarda variablo estas hazarda variablo, kies valorojn oni povas kalkuli unu post unu (nombreblajn), kutime en la formo de entjeroj aŭ aparta aro de specifaj valoroj.
Kontoh:
– Nombro da infanoj en familio (0, 1, 2, 3, …)
– Nombro da veturiloj pasantaj tra la pagfosto en 1 minuto
– Nombro de difektaj eroj el 10 inspektitaj produktoj
Por diskretaj hazardaj variabloj, la probableco de ĉiu valoro povas esti esprimita rekte en la formo de probabla masa funkcio.
b) Kontinuaj hazardaj variabloj
Kontinua hazarda variablo estas hazarda variablo, kiu povas preni valorojn sur kontinua intervalo sur la reela nombrolinio (nenombrebla), ekzemple ĉiujn valorojn inter 0 kaj 1, aŭ ĉiujn pozitivajn reelajn valorojn.
Kontoh:
– La alteco de persono
– Klienta atendtempo ĉe la kaso
– Aertemperaturo je certa horo
Por kontinua hazarda variablo, la probablo je iu ajn punkto estas esence nulo. Tial, la probablo estas kalkulata super intervalo de valoroj (ekz., inter 10 kaj 12 minutoj), uzante la probablodensan funkcion.
3. Probablofunkcioj: PMF kaj PDF
La sekva grava koncepto estas kiel probableco estas "ligita" al la valoro de hazarda variablo.
a) Probabla Masa Funkcio (PMF)
Por diskreta hazarda variablo ∫(X), la PMF estas difinita kiel:
\[
p(x) = P(X = x)
\]
kun la provizo de:
1. \(p(x) \ge 0\) por ĉiu \(x\)
2. \(\sum_x p(x) = 1\)
Simpla ekzemplo: justaj ĵetkuboj
\[
P(X=k)=\frac{1}{6}, \quad k=1,2,3,4,5,6
\]
b) Probablodensa Funkcio (PDF)
Por kontinua hazarda variablo ∫(X), ni uzas la PDF-on ∫(x) tiel ke la probableco sur la intervalo ∫([a,b]) estas:
\[
P(a ≤ X ≤ b) = ∫_a^bf(x)∫_dx
\]
kun la provizo de:
1. \(f(x) \ge 0\)
2. \(\int_{-\infty}^{\infty} f(x)\,dx = 1\)
Indas emfazi: por kontinua hazarda variablo, \(P(X=x)=0\) por ĉiu unuopa valoro de \(x\). Probablo ĉiam estas senchava kiam oni diskutas intervalojn.
4. Akumula distribua funkcio (KDF)
Ĉu diskretaj aŭ kontinuaj, hazardaj variabloj povas esti priskribitaj per la akumula distribua funkcio (KDF), kiu estas difinita kiel:
\[
F(x) = P(X ≤ x)
\]
CDF havas plurajn gravajn ecojn:
– La valoro de \(F(x)\) ĉiam estas inter 0 kaj 1
– \(F(x)\) ne malpliiĝas (ne-malpliiĝas)
– (\lim_{x\to\infty}F(x)=0\) kaj (\lim_{x\to\infty}F(x)=1\)
Por diskretaj variabloj, la komplementa distribufunkcio (KDF) havas la formon de "ŝtuparo" (leviĝanta je certaj punktoj). Por kontinuaj variabloj, la KDF estas ĝenerale glata kaj estas la integralo de la PDF:
\[
F(x) = ∫_{-∫^{x} f(t)\,dt
\]
5. Mezuro de centra tendenco: atendata valoro (atendita valoro)
Post kiam ni konas la probablan distribuon, ni ofte volas resumi la hazardan variablon per ununura nombro, kiu reprezentas ĝian "longperspektivan averaĝan valoron". Tio estas la atendata valoro aŭ espero.
a) Diskretaj variablo-atendoj
Se \(X\) estas diskreta:
\[
E[X] = \sum_x x\,p(x)
\]
b) Atendotempo de kontinuaj variabloj
Se \(X\) estas kontinua:
\[
E[X] = \int_{-\infty}^{\infty} x\,f(x)\,dx
\]
Atendo ne ĉiam estas la sama kiel la "plej ofte okazanta valoro" (modo), kaj ne ĉiam estas la valoro, kiu vere verŝajne okazos, sed ĝi estas tre utila por decidiĝo, prognozado kaj riskanalizo.
Aplika ekzemplo: En komerco, oni povas uzi atendojn por kalkuli la atendatan averaĝan profiton de strategio, konsiderante diversajn scenarojn kaj iliajn probablecojn.
6. Mezuroj de disperso: varianco kaj norma devio
Du hazardaj variabloj povas havi la saman atendatan valoron sed malsamajn nivelojn de necerteco. Tial ni bezonas mezurojn de disperso, nome variancon kaj norman devion.
La varianco de \(X\) estas difinita kiel:
\[
Var(X)=E[(XE[X])^2]
\]
La norma devio estas la kvadrata radiko de la varianco:
\[
\sigma = \sqrt{Var(X)}
\]
Praktikaj formuloj, kiuj estas ofte uzataj:
\[
Var(X) = E[X^2] – (E[X])^2
\]
Ju pli granda la varianco, des pli granda la disvastiĝo de la \(X\) valoroj de la meznombro, kio signifas pli altan necertecon.
7. Ofte uzataj probablodistribuoj
En praktiko, multaj hazardaj variabloj sekvas certajn distribuajn ŝablonojn. Kelkaj popularaj distribuoj estas:
– Bernoulli: du rezultoj (sukceso/malsukceso), ekzemple vera-malvera, viva-morta.
– Binomo: la nombro da sukcesoj el \(n\) Bernulli-provoj, ekzemple la nombro da studentoj diplomiĝantaj el 20 homoj.
– Poisson: la nombro da eventoj en tempo/spaca intervalo, ekzemple la nombro da alvenantaj vokoj minute.
– Uniforma kontinuo: ĉiuj valoroj en la intervalo estas same verŝajnaj.
– Normala (Gaŭsa): multaj naturaj kaj sociaj fenomenoj alproksimiĝas al ĉi tiu distribuo, kiel ekzemple alteco aŭ mezureraro.
Elekti la ĝustan distribuon helpas modeladon kaj analizon fariĝi pli precizaj.
8. Kial hazardaj variabloj gravas?
Hazardaj variabloj estas la bazo por:
– Inferenca statistiko: taksado de populaciaj parametroj bazitaj sur specimenoj
– Hipoteza testado: decidi ĉu aserto estas subtenata de datumoj
– Maŝinlernado: modelado de necerteco kaj prognoza probableco
– Risktraktado: mezurado de la probableco de perdoj kaj ekstremaj scenaroj
– Inĝenierarto kaj scienco: signal-prilaborado, sistemfidindeco, atendovica teorio
Kun hazardaj variabloj, ni havas matematikan lingvon por sisteme paroli pri necerteco.
Konkludo
Hazarda variablo estas kerna koncepto en probablokalkulo, kiu mapas la rezultojn de hazardaj eksperimentoj al numeraj valoroj. Hazardaj variabloj povas esti diskretaj aŭ kontinuaj, kaj ĉiu havas malsaman manieron reprezenti probablojn per la PMF aŭ PDF. Krome, la CDF provizas komunan manieron vidi la akumuliĝon de probabloj. Por resumi distribuon, la atendo estas uzata kiel mezuro de centra tendenco kaj la varianco/norma devio kiel mezuro de disperso. Kompreni ĉi tiujn bazajn konceptojn faciligos lernadon de pli progresintaj temoj kiel probablokalkulaj distribuoj, statistika taksado, regreso, kaj riskomodelado kaj moderna datumanalizo.
Se vi volas, mi ankaŭ povas aldoni ekzemplajn demandojn kaj iliajn diskutojn (diskretajn kaj kontinuajn) por faciligi la komprenon de la koncepto de hazardaj variabloj.
